行业及产业行业研究/行业深度证券研究报告计算机2017年10月16日人工智能芯片的竞争：GPU正红，ASIC拥抱未来看好——算法系列报告之十五相关研究"领军公司仍优势明显！——43家计算机三季报前瞻"2017年10月9日"重点关注AI芯首发、软件国产化——申万宏源算机周报20170814-20170820"2017年9月11日证券分析师刘洋A0230513050006liuyang2@swsresearch.com研究支持刘高畅A0230116100002liugc@swsresearch.com联系人黄忠煌(8621)23297818×转huangzh@swsresearch.com投资要点：AI加速需求超过CPU计算能力摩尔定律供给。深度学习是目前AI领域最有效算法，深度学习模型需要通过大量的数据训练才能获得理想的效果，CPU优势为处理各类数据及强逻辑判断能力，解决单次复杂问题能力强。两者需求并非完全匹配，深度学习需要一种替代硬件来满足海量数据的运算需求。GPU：较成熟生态系统，最先收益人工智能爆发。GPU与CPU类似，只不过是一种专门进行图像运算工作的微处理器。GPU是专为执行复杂的数学和几何计算而设计的，这些计算是图形渲染所必需的。GPU在浮点运算、并行计算等部分计算方面可以提供数十倍乃至于上百倍于CPU的性能。英伟达公司从2006年下半年已经开始陆续推出相关的硬件产品以及软件开发工具，目前是人工智能硬件市场的主导。GPU天然具有三个方面局限性。GPU作为图像处理器，设计初衷是为了应对图像处理中需要大规模并行计算。因此，其在应用于深度学习算法时，有三个方面的局限性：1.应用过程中无法充分发挥并行计算优势。2.硬件结构固定不具备可编程性。3.运行深度学习算法能效远低于ASIC及FPGA。FPGA：能效中等、灵活度高、成本较高的AI白板，具有三类局限。FPGA称为现场可编程门阵列，用户可以根据自身的需求进行重复编程，与GPU、CPU相比，具有性能高、能耗低、可硬件编程的特点。同时具有三类局限：1.基本单元的计算能力有限；2.速度和功耗有待提升；3、FPGA价格较为昂贵。ASIC：顶级能耗、拥抱未来。ASIC是一种为专门目的而设计的集成电路。专为特定目的而设计。不同于GPU和FPGA的灵活性，定制化的ASIC一旦制造完成将不能更改，所以初期成本高、开发周期长的使得进入门槛高。目前，大多是具备AI算法又擅长芯片研发的巨头参与，如Google的TPU。由于完美适用于神经网络相关算法，ASIC在性能和功耗上都要优于GPU和FPGA，TPU1是传统GPU性能的14-16倍，NPU是GPU的118倍。寒武纪已发布对外应用指令集，预计ASIC将是未来AI芯片的核心。...
